A Weakly Supervised Approach to Train Temporal Relation Classifiers and Acquire Regular Event Pairs Simultaneously
Texas A&M University(德克萨斯A&M大学)
检测两个事件之间的时间关系的能力可以使许多应用受益。大多数现有的时间关系分类器是在监督的方式进行训练。相反,我们探索的观察,规则事件对显示一致的时间关系,尽管他们的各种上下文,这些丰富的上下文可以用来训练上下文时间关系分类器,它可以进一步识别新的时间关系上下文,并确定新的规则事件对。我们专注于检测前后的时间关系,并设计了一个弱监督学习方法,提取数以千计的定期事件对,同时学习上下文的时间关系分类器。评价结果表明,获取的规则事件对质量较高,包含丰富的常识知识和领域知识。此外,弱监督训练的时间关系分类器实现了与最先进的监督系统相当的性能。
2017-07-28 cs.CL
Extracting Temporal and Causal Relations between Events
University of Trento(特伦托大学);Università degli Studi di Trento(特伦托大学)
从时间信息处理中得到的结构化信息对于各种自然语言处理任务是至关重要的,例如从新闻文档中生成事件的时间轴摘要,或者回答关于某些事件的时间/时间相关问题。在这篇论文中,我们提出了一个整合时间和因果关系抽取系统的架构。我们首先为每种类型的关系,即时间顺序和因果关系开发了一个强大的提取组件。然后,我们结合这两个提取组件到一个集成的关系抽取系统,CATENA-因果和时间关系抽取从自然语言文本-,利用因果关系中的事件优先的假设,即导致事件必须发生在结果事件之前。本文还讨论了改进关系抽取系统的资源和技术,包括词嵌入和训练数据扩展。最后,我们报告我们的适应努力的时间信息处理的语言以外的英语,即意大利语和印尼语。
2016-04-27 cs.CL
TempEval-3: Evaluating Events, Time Expressions, and Temporal Relations
University of Rochester(罗切斯特大学);University of Alicante(阿利坎特大学);University of Sheffield(谢菲尔德大学);Brandeis University(布兰迪斯大学)
我们描述了目前正在为SemEval-2013评估活动做准备的TempEval-3任务。TempEval的目的是推进时间信息处理的研究。TempEval-3继承了之前的TempEval事件,包含:由三部分组成的任务结构,涵盖事件、时态表达和时态关系抽取;更大的数据集;以及单个总体任务质量评分。
2014-05-25 cs.CL
Contextualized Word Embeddings Enhanced Event Temporal Relation Extraction for Story Understanding
University of Southern California(南加州大学);Information Sciences Institute(信息科学研究所)
学习事件之间的因果关系和时间关系是深入了解故事和常识的重要一步。虽然有丰富的数据集与事件关系的故事理解,许多没有经验的结果与他们相关联。在这项工作中,我们建立了强大的基线事件的时间关系抽取两个欠开发的故事叙事数据集:丰富的事件描述(RED)和因果和时间关系计划(CaTeRS)。据我们所知,这是在这两个数据集上报告的第一个结果。我们证明了基于神经网络的模型可以优于一些强大的传统的基于语言特征的模型。我们还进行了比较研究,以显示的贡献,采用语境化的词嵌入(BERT)的事件时间关系抽取的故事。提供详细的分析,以更好地了解结果。
2019-04-26 cs.CL
Temporal Reasoning on Implicit Events from Distant Supervision
Allen Institute for AI(艾伦人工智能研究所);University of Pennsylvania(宾夕法尼亚大学);Amazon(亚马逊)
我们提出了TRACIE,一个新的时间推理数据集,评估系统理解隐式事件的程度-事件没有明确提到的自然语言文本,但可以推断出it. This引入了一个新的挑战,在时间推理研究,以前的工作集中在明确提到的事件。人类读者可以通过常识推理推断出隐含的事件,从而更全面地理解情况,从而更好地推理时间。然而,我们发现,国家的最先进的模型的斗争时,预测隐式和显式事件之间的时间关系。为了解决这个问题,我们提出了一个神经符号的时间推理模型,SYMTIME,它利用远程监督信号从大规模的文本,并使用时间规则结合开始时间和持续时间推断结束时间。SYMTIME在TRACIE上的表现优于强基线系统5%,在零先验知识培训设置中优于强基线系统11%。我们的方法也推广到其他时间推理任务,证明了1%-9%的MATRES,一个明确的事件基准增益。
2021-05-07 cs.CL
A Sequential Model for Classifying Temporal Relations between Intra-Sentence Events
Texas A&M University(德克萨斯A&M大学)
我们提出了一个时序模型的句子内事件之间的时间关系分类。关键的观察是,事件之间的多词上下文的整体句法结构和成分意义对于区分细粒度的时间关系是重要的。具体来说,我们的方法首先提取一个序列的上下文单词,表明两个事件之间的时间关系,以及与两个事件提到之间的依赖路径对齐。然后,将上下文单词序列与对应于单词序列生成的词性标签序列和依赖关系序列一起作为输入提供给双向递归神经网络(LSTM)模型。神经网络学习围绕这两个事件的上下文的组合句法和语义表示,并预测它们之间的时间关系。在TimeBank语料库上对所提出的方法进行了评估,结果表明,序列建模能够准确地识别事件之间的时间关系,其性能优于使用各种离散特征作为输入的神经网络模型,该模型模仿了以前的基于特征的模型。
2017-07-23 cs.CL
Extracting Event Temporal Relations via Hyperbolic Geometry
University of Warwick(华威大学);Alan Turing Institute(艾伦·图灵研究所)
本文提出将事件嵌入双曲空间以建模非对称时序关系,设计了基于几何运算和端到端双曲神经单元的两种方法,在多个标准数据集上取得最先进性能并揭示了丰富的隐式事件语义。
2024-06-08 cs.CL
HistoryBankQA: Multilingual Temporal Question Answering on Historical Events
本文提出了包含1000万以上历史事件的多语言数据库HistoryBank,并构建了涵盖6种时序推理任务的问答基准,评估了多种流行语言模型在多语言历史事件时序推理上的表现。
2025-09-16 cs.CL
Analyzing sports commentary in order to automatically recognize events and extract insights
ETH Zürich(苏黎世联邦理工学院)
本研究探索利用多种自然语言处理技术分析多来源体育直播解说,通过动作分类提取赛事洞见,并验证情感分析对赛事主要动作检测的辅助作用。
2023-07-18 cs.CL cs.LG stat.ML
SERC: Syntactic and Semantic Sequence based Event Relation Classification
IIIT-Delhi(印度德里信息技术学院);Adobe Systems(Adobe系统公司)
时间和因果关系在确定事件之间的依赖关系方面起着重要作用。对事件之间的时间和因果关系进行分类有许多应用,例如生成事件时间轴、事件摘要、文本蕴涵和问答。时间关系和因果关系密切相关,相互影响。因此,我们提出了一个联合模型,结合了时间和因果关系的功能来执行因果关系分类。我们使用文本的句法结构来识别文本中两个事件之间的时间和因果关系。我们从文本中提取词性标记序列、依存标记序列和词序列。我们提出了一个基于LSTM的时间和因果关系分类模型,该模型捕捉了三个编码特征之间的相互关系。在四个流行的数据集上对我们的模型进行评估,在时间和因果关系分类方面取得了令人满意的结果。
2021-11-09 cs.CL
Combining Temporal Information and Topic Modeling for Cross-Document Event Ordering
University of Alicante(阿利坎特大学)
从书面新闻文章的集合中构建统一的时间线需要跨文档事件共指消解和时间关系抽取。在本文中,我们提出了一种方法事件共指消解根据:a)相似的时间信息,和b)相似的语义参数。使用自动时间信息系统(TIPSem)检测时间信息,而语义信息通过LDA主题建模表示。对我们方法的评估表明,它在SemEval2015任务4:时间轴:跨文档事件排序中获得了最高的微平均F分数结果(TrackB为25.36%,SubtrackB为23.15%),与其他系统相比提高了6%。然而,我们的实验也显示了一些缺点的主题建模方法,降低了系统的性能。
2015-06-10 cs.CL
LexTime: A Benchmark for Temporal Ordering of Legal Events
School of Informatics, University of Edinburgh(爱丁堡大学信息学院);Bloomberg(布莱恩·布鲁克斯)
本文提出LexTime基准,基于512个美国联邦诉状实例评估LLMs的法律事件时间排序能力,发现其在法律文本上优于叙事文本且隐式事件和长上下文提升准确率,同时指出法律语言复杂性仍是主要瓶颈。
2025-11-05 cs.CL
EventKG - the Hub of Event Knowledge on the Web - and Biographical Timeline Generation
L3S Research Center(L3S研究中心);Leibniz Universität Hannover(莱布尼茨汉诺威大学)
促进对网络、新闻和社交媒体上有关当代和历史事件的信息进行语义分析的关键要求之一是提供包含事件、实体和时间关系的全面表示的参考知识库。现有的知识图谱,流行的例子包括DBpedia,YAGO和Wikidata,主要集中在以实体为中心的信息和不足的覆盖面和完整性方面的事件和时间关系。在这篇文章中,我们解决这个限制,形式化的时间知识图谱的概念,并提出其实例- EventKG。EventKG是一个多语言的以事件为中心的时态知识图,它包含了从几个大规模知识图谱和半结构化源中获得的超过69万个事件和超过230万个时态关系,并通过规范的RDF表示使它们可用。尽管流行的实体通常在诸如EventKG的时间知识图谱内拥有数百个关系,但是为给定实体生成最重要的时间关系的简明概述是一项具有挑战性的任务。在这篇文章中,我们将展示EventKG的传记时间轴生成的应用程序,我们采用了一个远程监督的方法来确定最相关的实体传记的关系。我们的评估结果提供了见解的EventKG的特点,并证明了建议的传记时间轴生成方法的有效性。
2019-05-21 cs.CL
Only One Relation Possible? Modeling the Ambiguity in Event Temporal Relation Extraction
Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所);School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院)
针对事件时序关系抽取中模糊标签的歧义问题,提出多标签分类方案METRE及推测机制,利用模糊实例提升识别效果,在多个基准上超越多数现有最优方法。
2024-08-14 cs.CL
Severing the Edge Between Before and After: Neural Architectures for Temporal Ordering of Events
Amazon AI(亚马逊人工智能)
在本文中,我们提出了一个神经架构和一套训练方法,通过预测时间关系来排序事件。我们提出的模型接收一个文本跨度内的一对事件作为输入,并识别它们之间的时间关系(之前,之后,相等,模糊)。考虑到这项任务的一个关键挑战是注释数据的稀缺性,我们的模型依赖于预先训练的表示(即RoBERTa,BERT或ELMo),迁移和多任务学习(通过利用互补数据集)以及自我训练技术。在英文文档的MATRES数据集上的实验建立了这项任务的新的最先进的技术。
2020-04-08 cs.CL
A Multi-Axis Annotation Scheme for Event Temporal Relations
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Pennsylvania(宾夕法尼亚大学)
现有的时间关系(TempRel)注释方案即使在专家之间也通常具有较低的注释者间一致性(IAA),这表明当前的注释任务需要更好的定义。本文提出了一种新的多轴建模,以更好地捕捉事件的时间结构。此外,我们确定事件结束点是注释中混淆的主要来源,因此我们还建议仅基于起始点注释TempRels。使用所提出的方案的飞行员专家注释示出了IAA从常规的60年代到80年代的显著改善(Cohen的Kappa)。这种更好定义的注释方案进一步使得能够使用众包来减轻每个注释者的劳动强度。我们希望这项工作可以促进更多有趣的研究对事件的理解。
2018-05-14 cs.CL
A Factorized Probabilistic Model of the Semantics of Vague Temporal Adverbials Relative to Different Event Types
Bielefeld University, Faculty of Technology(比勒菲尔德大学技术学院);Honda Research Institute Europe(本田欧洲研究机构)
针对模糊时间状语未明确时长的问题,提出因式分解概率模型,将其语义表示为概率分布并结合事件特定分布生成语境化含义,经实验对比,模型预测能力与非因式分解模型相当但更简单、可扩展性更好。
2025-08-25 cs.CL
Temporal ordering of clinical events
The University of Manchester(曼彻斯特大学)
这份报告描述了一套简约的方法,工程锚定临床事件的时间空间。具体地,我们描述了提取临床事件的方法(例如,问题、治疗和测试)、时间表达(即,时间、日期、持续时间和频率),以及时间链接(例如,之前、之后、重叠)。这些方法是使用高质量的数据集开发和验证的。
2015-04-14 cs.AI cs.CL
EventKG: A Multilingual Event-Centric Temporal Knowledge Graph
L3S Research Center, Leibniz Universität Hannover(汉诺威莱布尼茨大学L3S研究中心);Leibniz Universität Hannover(汉诺威莱布尼茨大学)
促进关于网络、新闻和社交媒体上的当代和历史事件的信息的语义分析的关键要求之一是提供包含事件和时间关系的全面表示的参考知识库。现有的知识图谱,流行的例子包括DBpedia,YAGO和Wikidata,主要集中在以实体为中心的信息和不足的覆盖面和完整性方面的事件和时间关系。本文提出的EventKG是一个多语言的事件为中心的时间知识图谱,解决了这一差距。EventKG整合了超过69万个当代和历史事件以及从几个大规模知识图谱和半结构化来源中提取的超过230万个时间关系,并通过规范表示提供。
2018-04-12 cs.CL cs.DB
Temporal Event Knowledge Acquisition via Identifying Narratives
Department of Computer Science and Engineering(计算机科学与工程系);Texas A&M University(得克萨斯农工大学)
受叙事文本的双重时间性特征的启发,我们提出了一种新的方法来获取丰富的时间的“之前/之后”事件的知识跨句子的叙事故事。双重时间性是指叙事故事通常按照时间顺序描述一系列事件,因此事件的时间顺序与它们的文本顺序相匹配。我们探索了叙事学原理,并建立了一个弱监督的方法,识别287 k叙事段落从三个大型文本语料库。然后,我们从这些叙述段落中提取了丰富的时间事件知识。这些事件知识被证明是有用的,以改善时间关系的分类和最近的几个神经网络模型在叙事完形填空任务。
2018-05-28 cs.AI cs.CL
EventPlus: A Temporal Event Understanding Pipeline
University of California, Los Angeles(加州大学洛杉矶分校);University of Southern California(南加州大学);Texas A&M University(德克萨斯A&M大学)
我们提出EventPlus,一个时间事件理解管道,集成了各种国家的最先进的事件理解组件,包括事件触发器和类型检测,事件参数检测,事件持续时间和时间关系抽取。事件信息,尤其是事件时态知识,是一种帮助人们理解故事如何演变并为未来事件提供预测暗示的常识性知识。EventPlus作为第一个全面的时态事件理解管道,为用户提供了一个方便的工具,可以快速获取任何用户提供的文档的事件及其时态信息的注释。此外,我们表明EventPlus可以很容易地适应其他领域(例如,生物医学领域)。我们公开EventPlus,以促进与事件相关的信息抽取和下游应用。
2021-04-25 cs.AI cs.CL cs.HC
Reporting the Unreported: Event Extraction for Analyzing the Local Representation of Hate Crimes
University of Southern California(南加州大学)
美国官方对仇恨犯罪的报道相对于此类事件的实际数量而言是少报的。此外,尽管有统计上的近似值,但美国许多城市都没有关于仇恨事件的官方报告。在这里,我们首先证明,事件提取和多实例学习,适用于本地新闻文章的语料库,可以用来预测仇恨犯罪的情况。然后,我们使用经过训练的模型来检测FBI缺乏统计数据的城市中的仇恨事件。最后,我们训练预测凶杀和绑架的模型,将预测与联邦调查局的报告进行比较,并确定与当地媒体的其他类型的犯罪相比,仇恨事件确实被低估了。
2019-09-04 cs.CL cs.CY
Joint Event and Temporal Relation Extraction with Shared Representations and Structured Prediction
University of Southern California(南加州大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
我们提出了一个联合的事件和时间关系抽取模型与共享的表示学习和结构化预测。所提出的方法有两个优点比现有的工作。首先,它通过允许事件和关系模块共享相同的上下文嵌入和神经表示学习器来改进事件表示。其次,它避免了传统的管道系统中的错误传播,利用结构化推理和学习方法来分配事件标签和时间关系标签联合。实验结果表明,该方法在事件抽取和时态关系抽取两个方面均优于现有系统,在两个基准数据集上的端到端F1分别提高了10%和6.8%.
2020-09-15 cs.AI cs.CL
Go Back in Time: Generating Flashbacks in Stories with Event Temporal Prompts
University of Southern California(南加州大学);Tokyo University(东京大学);University of California, Los Angeles(加州大学洛杉矶分校)
故事或叙事是由一系列事件组成的。为了撰写有趣的故事,专业作家经常利用一种称为倒叙的创造性写作技巧,将过去的事件插入当前的故事情节中,就像我们在小说和戏剧中经常看到的那样。然而,对于机器来说,产生闪回是具有挑战性的,因为它需要对事件时间顺序的扎实理解(例如,在“吃”之前“感到饥饿”,而不是相反),以及安排故事情节的创造力,以便更早的事件并不总是首先出现在叙事顺序中。现有系统中的两个主要问题加剧了挑战:1)相关和故事数据集中的时间偏差,导致单调的事件时间顺序; 2)缺乏明确的指导,帮助机器决定在哪里插入闪回。我们建议使用结构化的故事情节来解决这些问题,将事件及其成对的时间关系(之前,之后和模糊)编码为时间提示,指导故事如何在时间上展开。我们利用通过强化学习增强的计划和编写框架来生成端到端的故事情节和故事。评价结果表明,该方法可以生成更有趣的故事倒叙,同时保持文本的多样性,流畅性和时间连贯性。
2022-05-04 cs.AI cs.CL
Extracting Temporal Event Relation with Syntax-guided Graph Transformer
Virginia Tech(弗吉尼亚理工学院暨州立大学);Amazon(亚马逊)
提取时间关系(例如,之前、之后和同时)对于自然语言理解至关重要。这个问题的一个关键挑战是,当感兴趣的事件在文本中距离很远时,它们之间的上下文往往变得复杂,这使得解决它们之间的时间关系变得具有挑战性。因此,本文提出了一种新的语法引导图Transformer网络(SGT)来缓解这个问题,通过(1)显式地利用两个事件之间的连接,基于它们的依存句法分析树,和(2)自动定位两个事件之间的时间线索,通过一种新的语法引导的注意力机制。在两个基准数据集MATRES和TB-Dense上的实验表明,该方法在端到端时态关系抽取和时态关系分类上的性能都明显优于现有方法,并且在MATRES的对比集上具有较好的鲁棒性.该代码可在https://github.com/VT-NLP/Syntax-Guided-Graph-Transformer上公开获取。
2022-10-24 cs.AI cs.CL
Does Yoga Make You Happy? Analyzing Twitter User Happiness using Textual and Temporal Information
Purdue University(普渡大学)
尽管瑜伽是一种磨练身心的多成分练习,并被认为可以减少焦虑和抑郁,但在社交媒体上对人们与瑜伽相关的情绪状态的理解仍然存在差距。在这项研究中,我们调查练习瑜伽和快乐之间的因果关系,结合使用者的文本和时间信息,使用格兰杰因果关系。为了从文本中找出因果特征,我们测量了两个变量(i)基于内容分析的瑜伽活动水平和(ii)基于情绪状态的幸福水平。为了理解用户的瑜伽活动,我们提出了一个联合嵌入模型的基础上融合的神经网络与注意力机制,利用用户的社会和文本信息。为了测量瑜伽使用者的情绪状态(目标域),我们提出了一种迁移学习方法,从源域上训练的基于注意力的神经网络模型中转移知识。我们在Twitter数据集上的实验表明,有1447名用户“瑜伽格兰杰带来快乐”。
2020-12-05 cs.AI cs.CL cs.CY
Temporal Information and Event Markup Language: TIE-ML Markup Process and Schema Version 1.0
Indiana University(印第安纳大学)
时态信息和事件置标语言(TIE-ML)是一种标记策略和注释模式,用于提高语料库的时态和事件相关注释的效率和准确性,以促进基于机器学习的模型训练。对于事件的注释、时间顺序和持续时间,通过仅为时间关系和事件枚举提供极其简化的标记集,它明显更简单。与其他标准相比,例如时间置标语言(TimeML),它更容易使用,因为它放弃了复杂的形式主义、理论概念和注释方法。使用TimeML标注的语料库可以有损失地映射到TIE-ML,而TIE-ML标注可以完全映射到TimeML,但有一定的欠规范。
2021-09-28 cs.AI cs.CL cs.LO
Event Temporal Relation Extraction with Bayesian Translational Model
University of Warwick(华威大学);King’s College London(伦敦国王学院);The Alan Turing Institute(艾伦·图灵研究所)
现有的模型来提取事件之间的时间关系缺乏一个原则性的方法,将外部知识。在这项研究中,我们介绍了贝叶斯-transs,贝叶斯学习为基础的方法,建模的时间关系表示为潜在变量,并推断其值通过贝叶斯推理和翻译功能。与传统的神经方法相比,该模型不进行点估计来寻找最佳参数集,而是直接推断参数的后验分布,增强了模型编码和表达预测不确定性的能力。实验结果表明,Bayesian-Trans算法在事件时态关系抽取中的性能优于现有的方法。我们还提出了详细的分析不确定性量化,比较先验,消融研究,说明所提出的方法的好处。
2023-02-10 cs.CL cs.LG
DyG-RAG: Dynamic Graph Retrieval-Augmented Generation with Event-Centric Reasoning
Beihang University(北航大学);Guangxi Normal University(广西师范大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
DyG-RAG提出以事件为中心的动态图检索增强生成框架,通过动态事件单元、事件图和时间思维链策略,解决大语言模型在时间敏感查询上的时间推理难题,并在时间问答基准上显著提升准确率与召回率。
2025-07-16 cs.CL cs.IR
Distilling Multi-Scale Knowledge for Event Temporal Relation Extraction
National Institutes of Health(美国国立卫生研究院);Carnegie Mellon University(卡内基梅隆大学);Allen Institute for AI(艾伦人工智能研究所)
本文提出知识协同蒸馏方法MulCo,通过对比学习在多个事件对邻近带间共享多尺度知识,成功整合长短邻近带的语言线索,在多个ETRE基准数据集上取得新的SOTA结果。
2024-07-26 cs.AI cs.CL cs.LG
E2Vec: Feature Embedding with Temporal Information for Analyzing Student Actions in E-Book Systems
Kyushu University(九州大学)
提出E2Vec方法,利用词嵌入将操作日志和时间间隔转化为学生向量,用于风险检测任务,提升泛化性和性能。
2026-06-17 cs.AI cs.CL cs.CY